La comunicación directa entre compradores y vendedores fuera de los canales aprobados puede resultar en una pérdida significativa de ingresos anualmente, al tiempo que daña gravemente la reputación de la marca y destruye valiosas relaciones comerciales. Si bien los sistemas de mensajería son esenciales para las operaciones comerciales modernas y ayudan a proporcionar información valiosa sobre los clientes, pueden crear riesgos importantes cuando las partes pasan por alto el sistema de intermediación para comunicarse directamente. Cuando los compradores y vendedores intercambian información de contacto y desconectan sus transacciones, las corredurías no sólo pueden perder ingresos inmediatos sino también sufrir daños a largo plazo a medida que disminuye su valor de mercado. Este desafío es particularmente grave en las empresas de corretaje donde el valor central del servicio radica en facilitar conexiones seguras y confiables entre las partes. Si bien los mensajes en la aplicación permiten detalles importantes de la transacción, como la ubicación de la entrega "déjelo por la puerta trasera" o horarios específicos "entregue solo después de las 4:00 p. m.", se debe evitar el intercambio de información de contacto directo (como números de teléfono, nombres de empresas, sitios web o direcciones físicas) para mantener la posición de la corredora como intermediario confiable. No abordar esta cuestión puede conducir a una cascada de resultados negativos. Estos incluyen pérdida de ingresos por comisiones, disminución del valor del servicio, relaciones dañadas con los socios y una posición industrial debilitada que puede tardar años en reconstruirse.
En esta publicación, aprenderá cómo utilizar los modelos de Amazon Nova Foundation en Amazon Bedrock para aplicar técnicas de IA generativa para la protección y mejora del negocio. Puede identificar intentos obvios y encubiertos de contacto directo y, al mismo tiempo, obtener información valiosa sobre la opinión del cliente y las oportunidades de mejora del servicio.
Expresiones regulares
El uso de expresiones regulares (regex) puede ser la solución inicial que se le ocurra, ya que destaca en la coincidencia de patrones y la manipulación de texto, y ofrece una forma potente y concisa de buscar, validar y transformar datos de texto. A Regex le va bien con patrones estructurados como direcciones de correo electrónico, números de teléfono y fechas. La información de contacto sigue patrones predecibles. Los números de teléfono utilizan el formato XXX-XXX-XXXX, mientras que las direcciones de correo electrónico siguen nombre@empresa.com. Las expresiones regulares ayudan a identificar estos patrones en el texto. Para los números de teléfono de EE. UU., el patrón de expresiones regulares d{3}-d{3}-d{4} coincide con tres dígitos, un guión, tres dígitos más, otro guión y cuatro dígitos.
Sin embargo, las expresiones regulares muestran limitaciones significativas al lidiar con las complejidades del texto moderno, como el análisis de HTML (debido a estructuras anidadas y variaciones en el marcado), el reconocimiento de emoji (debido a las complejidades de Unicode y las variaciones en las representaciones de emoji en todos los servicios) y patrones en evolución como los identificadores de redes sociales o el cambio de URL. Regex se queda corto cuando las personas ocultan intencionalmente información de contacto mediante tácticas engañosas en constante cambio. Por ejemplo, un mensaje que dice "Felicitaciones. Aquí hay más detalles 555 pulgadas 555 pulgadas 5555 pulgadas" es claramente un intento de enmascarar un número de teléfono como medidas. Dado que el patrón es conocido, un patrón de expresiones regulares sofisticado como (d+)inchess+(d+)inchess+(d+)inches puede descubrir eficazmente números de teléfono ocultos utilizando "pulgadas" como unidad de medida señuelo. Pero ¿qué pasa si el patrón no es tan simple como utilizar identificadores de medidas conocidos? El desafío de detectar información de contacto oculta va más allá de la simple coincidencia de patrones y debe ser más dinámico. Las técnicas de evasión cambian constantemente, como reemplazar números con palabras, usar unidades alternativas, variar delimitadores y combinar leetspeak con emojis. Los patrones de expresiones regulares tradicionales luchan con números escritos, uso creativo de símbolos (escribir “@” como “arroba”), referencias de empresas que dependen del contexto y combinaciones complejas de leetspeak.
Regex es particularmente inadecuado para las necesidades de análisis de texto avanzado, como la detección de sentimientos, la comprensión del contexto o la identificación de acciones e intenciones del usuario en el texto. Por ejemplo, si bien las expresiones regulares pueden encontrar palabras específicas, no pueden comprender el tono emocional ni determinar si el mensaje de un usuario requiere una acción de seguimiento. Cuando los patrones se vuelven complejos o requieren actualizaciones frecuentes, el mantenimiento de las expresiones regulares se vuelve desafiante y propenso a errores, lo que a menudo genera soluciones frágiles que se rompen cuando los formatos de texto evolucionan. Para estos escenarios, considere utilizar soluciones de IA generativa como Amazon Bedrock. Amazon Bedrock proporciona modelos de lenguaje sofisticados que comprenden el contexto, analizan estructuras complejas y se adaptan a patrones de texto en evolución sin actualizaciones manuales constantes.
IA generativa
Amazon Bedrock es un servicio sin servidor totalmente administrado que ofrece una variedad de modelos básicos de IA de alto rendimiento de empresas líderes. Puede utilizar Amazon Bedrock para experimentar, personalizar e integrar capacidades de IA generativa en sus aplicaciones mediante servicios familiares de AWS. Amazon Bedrock también proporciona una función de área de juegos en la consola de AWS para probar indicaciones y varios LLM.
Para acceder a los modelos de Amazon Bedrock y a las indicaciones de creación en la consola de AWS, necesita lo siguiente:
Una cuenta de AWS activa Permisos de IAM adecuados Familiaridad con la Consola de administración de AWS Comprensión básica de los conceptos de ingeniería rápida
Al utilizar el área de juegos de Amazon Bedrock en la consola de administración de AWS, podemos experimentar con la ingeniería de avisos utilizando el área de juegos de chat/texto en el modo de aviso único. Cuando trabajamos con el modelo Amazon Nova 2 Lite, podemos influir en la generación de respuestas con parámetros de inferencia ajustando la longitud de la respuesta a 1000 tokens y reduciendo la configuración de temperatura para obtener resultados más consistentes.
El siguiente mensaje de ejemplo ofusca el número de teléfono mediante el uso de emojis:
Con un caso de uso tan específico, se puede escribir un mensaje simple para buscar un número de teléfono basado en emoji:
Ingrese el mensaje anterior con el texto de entrada y haga clic en el botón Ejecutar.
La respuesta del modelo explica cómo Nova 2 Lite detectó los emojis como un número de teléfono como se muestra en la siguiente imagen:
Con ese escenario simple, es posible crear una expresión regular para hacer lo mismo, pero exploremos un mensaje más complejo con múltiples métodos de disfraz.
El siguiente mensaje contiene información de contacto obvia e intenta disfrazarla usando emojis, leetspeak y medidas falsas.
El mensaje debe indicarle al modelo de lenguaje grande (LLM) cómo identificar información de contacto que violaría las políticas de corretaje. Dado que es casi imposible predecir todos los métodos, no podemos confiar en el formato y la sintaxis explícitos para descubrir la información oculta. Se debe instruir al modelo Nova 2 Lite para que descubra números de teléfono, nombres de empresas, direcciones de correo electrónico, direcciones postales, nombres e identificadores físicos en diferentes formatos. Se permiten dimensiones de envío reales ya que es información válida.
El LLM proporcionará una explicación sólida de por qué descubrió los diversos datos en el texto. Si bien es útil durante el diseño de solicitudes, una salida con formato JSON más concisa con campos para explicación, categoría y confianza es más útil para la lógica de procesamiento posterior. Para lograr esto, agregue lo siguiente al mensaje original:
Luego, el mensaje final se ingresa en el área de juegos de chat/texto de Amazon Bedrock como un mensaje único y se ejecuta de la siguiente manera:
La respuesta modelo, que se muestra en el siguiente ejemplo, identificó correctamente múltiples piezas de información obvia y confusa: 3 números de teléfono, 2 nombres comerciales, 2 direcciones de correo electrónico, una dirección postal, nombre personal y características físicas.
{ "hallazgos": { "business_name": [ { "value": "Am@z0n, Inc.", "confidence": 5, "reasoning": "El texto indica explícitamente 'Am@z0n, Inc.', que es una versión disfrazada de 'Amazon, Inc.' utilizando el símbolo '@' y cero '0' en lugar de la letra 'o'. Este es un claro intento de ocultar el nombre de una empresa conocida, violando la política". }, { "value": "Whole Foods Market", "confidence": 5, "reasoning": "El texto indica explícitamente 'Whole Foods Market', un nombre comercial conocido. Esta es una mención directa de un negocio y viola la política". } ], "email": [ { "value": "tylerh@anycompany.com", "confidence": 5, "reasoning": "El texto contiene una dirección de correo electrónico clara y con el formato adecuado 'tylerh@anycompany.com'. Esta es una violación directa de la política". }, { "value": "jesseatanycompany.com", "confidence": 4, "reasoning": "El texto contiene 'jesseatanycompany.com', que es un claro intento de disfrazar una dirección de correo electrónico. Si bien carece del símbolo '@', la estructura 'nombre de usuario@dominio' está implícita, lo que convierte esto en una violación de la política". } ], "phone_number": [ { "value": "321 555 0177", "confidence": 5, "reasoning": "El texto contiene '321 pulgadas 555 pulgadas 0177 pulgadas', donde 'pulgadas' se utiliza como delimitador para distribuir el número de teléfono '321 555 0177'. Este es un claro intento de disfrazar un número de teléfono y viola la política". }, { "value": "123 555 0123", "confidence": 5, "reasoning": "El texto indica explícitamente '123…555….0123', que puede reconstruirse como el número de teléfono '123-555-0123'. Esta es una violación directa de la política". } ], "mailing_address": [ { "value": "410 Terry Avenue North, Seattle, WA 98109", "confidence": 5, "reasoning": "El texto contiene una dirección postal completa y con el formato correcto '410 Terry Avenue North, Seattle, WA 98109'. Esta es una violación directa de la política". } ], "personal_information": [ { "value": "Tyler Huehmer", "confidence": 5, "reasoning": "El texto indica explícitamente 'Tyler Huehmer', que es un nombre completo. Esta es información personal y viola la política". }, { "value": "cabello castaño", "confianza": 3, "razonamiento": "El texto menciona 'cabello castaño', que es una característica física. Si bien no es tan sensible como un nombre o una dirección, aún cuenta como información personal y viola la política". }, { "value": "6'2"", "confidence": 3, "reasoning": "El texto menciona '6'2"', que es una medida de altura y puede considerarse información personal. Si bien no es tan sensible como un nombre o dirección, aún cuenta como información personal y viola la política." } ], "other": [ { "value": ":cinco: :cinco: :cinco:-:cinco: :cinco: :cinco:-:cero: :uno: :uno: :uno:", "confianza": 4, "razonamiento": "El texto contiene una secuencia de emojis y dos puntos que deletrean '5-5-5-5-5-5-0-1-1-1'. Esto podría ser un intento de disfrazar un número de teléfono u otra información de contacto. Si bien no definitivo, es sospechoso y merece una investigación, de ahí el nivel de confianza medio". } ] } }
Mientras el mensaje funciona, mejorémoslo. La herramienta de optimización de mensajes reescribe los mensajes para generar resultados de inferencia que sean más adecuados para su caso de uso y modelo específico. Las indicaciones reescritas también son más legibles y sencillas de entender. Elija el ícono de la varita en la parte inferior de la pantalla, rodeado en rojo en la siguiente imagen, para abrir la herramienta de optimización de mensajes.
El mensaje optimizado está estructurado con secciones distintas que definen claramente la tarea, las instrucciones y el formato de salida del modelo. Esta estructura produce resultados consistentes, integrales y bien organizados.
Ahora que nuestro mensaje detecta con éxito información de contacto ofuscada, es importante ajustar e iterar los mensajes específicamente para el modelo que está evaluando y probarlos a escala (consulte Evaluaciones de Amazon Bedrock). Además, considere factores como el costo, el rendimiento y los puntos finales y cuotas relevantes. Al equilibrar cuidadosamente estos elementos, puede lograr una solución rentable y eficaz para sus necesidades.
Detectar violaciones de las políticas de comunicación es el primer paso para proteger el valor empresarial y seguir siendo competitivo. Después de identificar infracciones de políticas, extraemos datos de opinión para ayudar a mejorar el soporte a los proveedores y realizar un seguimiento de las métricas de lealtad. Nuestro aviso, desarrollado y optimizado utilizando las mejores prácticas del modelo Amazon Nova, analiza estos mensajes en busca de indicadores de opinión (consulte Mejores prácticas de aviso para los modelos Amazon Nova).
Luego, el mensaje final se ingresa en el área de juegos de chat/texto de Amazon Bedrock y se ejecuta:
Los resultados indican que el sentimiento general es negativo y sugiere que hay problemas o se requieren mejoras en la aplicación de mensajería:
Analizamos los mensajes de los proveedores para obtener información útil, ayudando a los equipos de corretaje a identificar oportunidades de intervención, eliminar obstáculos y mejorar los servicios. Utilizando el mensaje, Amazon Bedrock extrae estos datos para un sistema de emisión de tickets backend. Luego, este sistema envía los problemas al servicio de atención al cliente para que se tomen medidas inmediatas o al equipo de producto para el posible desarrollo de funciones.
Luego, el mensaje final se ingresa en el área de juegos de chat/texto de Amazon Bedrock y se ejecuta:
Los resultados indican un problema con la aplicación de corretaje. Esta información luego se puede utilizar para crear un ticket de soporte al que se puede realizar un seguimiento hasta la resolución.
Almacenamos los mensajes finales (PolicyViolations, SentimentAnalysis, ActionItems Analysis) en Amazon Bedrock Prompt Management con control de versiones. Este enfoque permite a los equipos de desarrollo actualizar las indicaciones sin afectar la orquestación de mensajes que ya se ejecutan en producción. Esta característica también le permite reutilizar indicaciones efectivas en múltiples procesos.
Conclusión
Las pruebas en el mundo real demostraron la ventaja de la IA generativa sobre los métodos tradicionales de expresiones regulares. Cuando se probó en una pequeña muestra de 10 mensajes de corretaje reales, el enfoque de avisos de IA generativa logró una precisión del 100 % en la identificación de información de contacto confusa. Esta capacidad puede extenderse a muchos tipos de comunicaciones, desde simples aportaciones de los clientes, como cancelaciones y comentarios, hasta una sofisticada orquestación de intermediarios.
Si bien las expresiones regulares son suficientes para patrones estructurados, la IA generativa ofrece:
Comprensión contextual: detecta información disfrazada en los mensajes. Adaptabilidad: Identifica técnicas de evasión en evolución sin actualizaciones constantes. Análisis multidimensional: evalúa sentimientos, elementos de acción y violaciones de políticas. Puntuación de confianza: permite una toma de decisiones matizada. Procesamiento del lenguaje natural: interpreta variaciones como leetspeak y referencias dependientes del contexto.
Al incorporar aplicaciones con capacidades de IA generativa utilizando servicios como Amazon Bedrock, los desarrolladores pueden crear soluciones sólidas y preparadas para el futuro para ayudar a proteger los intereses de las empresas en las comunicaciones digitales modernas.
Próximos pasos
Después de desarrollar mensajes de usuario de calidad, intégrelos en sus flujos de trabajo existentes mediante la API de Amazon Bedrock. Esta integración permite llamadas de inferencia en tiempo real en múltiples casos de uso, incluidos el envío de formularios y el procesamiento de datos. Para obtener instrucciones de implementación, visite Realizar una solicitud a Amazon Bedrock a través de Amazon API Gateway.
Las implementaciones complejas de IA a menudo requieren múltiples inferencias de modelos, actualizaciones del sistema y comunicaciones con las partes interesadas. AWS Step Functions organiza estas interacciones del modelo de Amazon Bedrock coordinando múltiples procesos de flujo de trabajo, administrando el manejo de errores y habilitando capacidades de ejecución paralela. Esta integración permite la comunicación con sistemas externos mientras mantiene medidas de seguridad integradas, como los reintentos automáticos. Para obtener más información, consulte Creación de aplicaciones de IA generativa mediante AWS Step Functions y Amazon Bedrock.
Amazon EventBridge funciona como un enrutador de eventos para organizar flujos de trabajo complejos en los servicios de AWS. Utiliza patrones y cronogramas definidos para enrutar eventos, lo que permite respuestas automatizadas a eventos comerciales, cambios en el sistema y activadores basados en el tiempo. Esta arquitectura basada en eventos agiliza la comunicación de las aplicaciones y la gestión del flujo de trabajo. Para obtener detalles de implementación, consulte Creación de una aplicación basada en eventos con Amazon EventBridge.
Amazon Bedrock AgentCore permite a los desarrolladores crear sistemas de inteligencia artificial autónomos a través de su SDK de agentes. Esta integración utiliza Strands para separar cargas de trabajo, lo que ayuda a mejorar tanto el rendimiento como la seguridad. El sistema ofrece tres capacidades principales: capacitación de modelos automatizada, implementación simplificada y escalabilidad integrada. Los desarrolladores pueden implementar protocolos de seguridad y procesamiento de datos en tiempo real para facilitar operaciones confiables de los agentes. Para comenzar a crear con Amazon Bedrock AgentCore, visite Lanzar y escalar de forma segura sus agentes y herramientas en Amazon Bedrock AgentCore.
Sobre los autores
Tyler Huehmer
Tyler Huehmer se desempeña como arquitecto senior de soluciones en AWS, donde se asocia con clientes de comercio electrónico a gran escala para optimizar su infraestructura en la nube. Se especializa en informática sin servidor, arquitectura basada en eventos y en la construcción de sistemas resistentes que resistan las demandas del comercio moderno. La pasión de Tyler radica en unificar equipos distribuidos para abordar desafíos complejos.
jesse panadero
Jesse era arquitecto de soluciones para Amazon Web Services y tenía una pasión constante por el diseño de aplicaciones modernas y las soluciones creativas. Fuera del trabajo, le gusta explorar nuevos lugares, hacer caminatas y pasear por la naturaleza.